摘要

医学图像分割是一种帮助医生进行精准诊断的技术，尤其是在结直肠癌的诊断中。具体而言，随着病例数量的增加，许多患者需要更快、更准确的诊断和识别；在内窥镜图像中，分割任务对于帮助医生正确识别息肉或系统中的病变位置至关重要。因此，许多研究致力于应用深度学习技术自动化息肉分割，主要目的是改进U形结构。然而，UNet中的简单跳跃连接方案导致上下文信息不足以及编码器和解码器特征图之间的语义差距。为了解决这一问题，我们提出了一种由ConvNeXt主干网络和多核位置嵌入块（Multi Kernel Positional Embedding block）组成的新框架。得益于所提出的模块，我们的方法在息肉分割任务中能够达到更高的准确性和泛化能力。大量实验表明，我们的模型在Kvasir-SEG数据集上达到了0.8818的Dice系数和0.8163的IOU分数。此外，在多种数据集上，我们的模型与其他先前的最先进方法相比也取得了具有竞争力的结果。